Perbandingan Regresi Robust Penduga MM dengan Metode Random Sample Consensus dalam Menangani Pencilan.
8/12/2014 E-Jurnal Matematika
http://ojs.unud.ac.id/index.php/mtk/ 1/3
OPEN JOURNAL SYSTEMS Journal Help
U SER
Username
(2)
8/12/2014 E-Jurnal Matematika
http://ojs.unud.ac.id/index.php/mtk/ 3/3
HO ME ABO UT LO G IN R EGIST ER SEAR C H C UR R ENT AR C HIVES Home
>
E-Jurnal MatematikaE-Jurnal Matematika
E-Jurnal Matematika merupakan salah satu jurnal elektronik yang ada di Universitas Udayana, sebagai media komunikasi antar peminat di bidang ilmu matematika dan terapannya, seperti statistika, matematika finansial, pengajaran matematika dan terapan matematika dibidang ilmu lainnya. Jurnal ini lahir sebagai salah satu bentuk nyata peran serta jurusan Matematika FMIPA UNUD guna mendukung percepatan tercapainya target mutu UNUD, selain itu jurnal ini terbit didorong oleh surat edaran Dirjen DIKTI tentang syarat publikasi karya ilmiah bagi program Sarjana di Jurnal Ilmiah. E-jurnal Matematika juga menerima hasil-hasil penelitian yang tidak secara langsung berkaitan dengan tugas akhir mahasiswa meliputi penelitian atau artikel yang merupakan kajian keilmuan.
Editorial Team
Ketua : Desak Putu Eka Nilakusumawati, S.Si., M.Si Sekretaris : I Made Eka Dwipayana S.Si. M.Si.
Penyunting :
1. Tjokorda Bagus Oka Ph.D. 2. Komang Dharmawan Ph.D. 3. Drs. GK Gandhiadi MT.
4. Ir. I Komang Gde Sukarsa M.Si. 5. Ir. I Putu Eka Nila Kencana MT
(3)
8/12/2014 Vol 3, No 2 (2014)
http://ojs.unud.ac.id/index.php/mtk/issue/current 2/3
FO NT SI ZE
I NFO R M AT I O N
For Readers For Authors For Librarians
HO ME ABO UT LO G IN R EGIST ER SEAR C H C UR R ENT AR C HIVES Home
>
Current>
Vol 3, No 2 (2014)Vol 3, No 2 (2014)
Table of Contents
Articles
ANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF PDF
ANAK AGUNG ISTRI AGUNG CANDRA ISWARI, I WAYAN SUMARJAYA, I GUSTI AYU MADE SRINADI
38 - 44
PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
NI PUTU NIA IRFAGUTAMI, I GUSTI AYU MADE SRINADI, I WAYAN SUMARJAYA 45 - 52
PENGELOMPOKAN BERBAGAI MERK MI INSTAN BERDASARKAN KEMIRIPAN KANDUNGAN GIZI DENGAN MENGGUNAKAN ANALISIS BIPLOT
AGUSTINUS ANGELAUS ETE, NI LUH PUTU SUCIPTAWATI, DESAK PUTU EKA NILAKUSMAWATI
53 - 63
PERHITUNGAN DANA PENSIUN DENGAN METODE PROJECTED UNIT CREDIT DAN INDIVIDUAL LEVEL PREMIUM
(4)
8/12/2014 Vol 3, No 2 (2014)
http://ojs.unud.ac.id/index.php/mtk/issue/current 3/3
I GUSTI AYU KOMANG KUSUMA WARDHANI, I NYOMAN WIDANA, NI KETUT TARI TASTRAWATI
64 - 74
MODEL REGRESI TOBIT KONSUMSI SUSU CAIR PABRIK (Studi Kasus Rumah Tangga di Provinsi Bali)
I PUTU JERYANA, I PUTU EKA NILA KENCANA, G. K. GANDHIADI 75 - 85
(5)
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751
1 Mahasiswa Jurusan Matematika FMIPA Universitas Udayana 45
2 Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana
PERBANDINGAN REGRESI
ROBUST
PENDUGA MM DENGAN
METODE
RANDOM SAMPLE CONSENSUS
DALAM MENANGANI
PENCILAN
N
IP
UTUN
IAI
RFAGUTAMI1,
I
G
USTIA
YUM
ADES
RINADI2,
I
W
AYANS
UMARJAYA31,2,3Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: 11, 2srinadiigustiayumade@yahoo.co.id, 3sumarjaya@unud.ac.id,
Abstract
The presence of outliers in observation can result in biased in parameter estimation using ordinary least square (OLS). Robust regression MM-estimator is one of the estimations methods that able to obtain a robust estimator against outliers. Random sample consensus (ransac) is another method that can be used to construct a model for observations data and also estimating a robust estimator against outliers. Based on the study, ransac obtained model with less biased estimator than robust regression MM-estimator.
Keywords: Outlier, Robust Regression, MM-estimate, ransac
1.
Pendahuluan
Model regresi dapat menggambarkan hubungan antarpeubah kuantitatif, sehingga satu atau lebih peubah dapat digambarkan oleh peubah lainnya. Model regresi linear sederhana,
yakni merupakan suatu
model yang terdiri dari satu peubah bebas dan satu peubah respons. Parameter-parameter yang membentuk model selanjutnya diduga dengan menggunakan metode kuadrat terkecil (MKT).
Metode kuadrat terkecil merupakan metode pendugaan parameter yang dilakukan dengan meminimumkan jumlah simpangan
kuadrat . Asumsi
kenormalan, kehomogenan ragam, dan tidak terjadi autokorelasi pada komponen sisaan atau galat merupakan syarat dalam penggunaan metode ini. Apabila asumsi ini terpenuhi maka penduga yang dihasilkan akan bersifat takbias. Namun, tidak jarang ditemukan kasus dengan asumsi kenormalan, kehomogenan ragam, dan tidak terjadi autokorelasi tidak terpenuhi. Salah satu penyebabnya adalah adanya pencilan
dalam data amatan yang memengaruhi proses analisis. Salah satu alternatif yang dapat digunakan untuk mengatasi permasalah ini yakni dengan menerapkan metode regresi
robust.
Regresi robust merupakan suatu metode yang dapat menghasilkan penduga parameter yang kekar terhadap pencilan. Metode ini tetap menggunakan keseluruhan data, termasuk data pencilan, namun dengan memberikan bobot yang kecil pada data pencilan. Metode lain yang dapat diterapkan yakni ransac diperkenalkan pertama kali oleh Fischler dan Bolles pada tahun 1981 sebagai suatu paradigma dalam pembentukan model untuk data eksperimen. Metode ini menggunakan sedikit mungkin himpunan data dan memperluas himpunan ini dengan sekumpulan data yang konsisten (Fischler dan Bolles, 1981).Perbandingan kedua metode yang sama-sama mampu menghasilkan penduga yang kekar terhadap pencilan merupakan fokus dalam penelitian ini. Ketidakbiasan penduga
(6)
Ni Putu Nia Irfagutami, I.G.A.M. Srinadi, I Wayan Sumarjaya Regresi Robust Penduga MM dan Ransac
46
yang dihasilkan oleh masing-masing metode akan menjadi acuan dalam penelitian ini.
2.
Metode Penelitian
Data yang digunakan pada penelitian ini merupakan data simulasi dengan satu peubah bebas (X) dan satu peubah respons (Y). Data dibangkitkan dengan bantuan program R versi 2.15.3 Adapun tahapan yang dilakukan dalam penelitian ini, yakni (1) Pembangkitan data. Adapun pembangkitan data dilakukan dengan ketentuan, peubah bebas (X) terdiri dari 100 amatan dengan nilai-nilai peubah X adalah 1, 2, …, 100. Nilai sisaan yang dibangkitkan merupakan data yang berdistribusi normal dengan rataan nol dan ragam satu sebanyak 100. Pembangkitan data pencilan, yang mana pada penelitian pencilan minor merupakan data yang berdistribusi normal dengan rataan lima dan standar deviasi 0,1, sedangkan pencilan mayor merupakan data yang berdistribusi normal dengan rataan delapan dan standar deviasi 0,1. Adapun pencilan yang dibangkitkan yakni sebesar 5%, 10%, 15%, 20%, 25%, dan 30% dari data, baik pencilan minor maupun mayor. Penempatan pencilan pada bagian bawah, tengah dan bagian atas dari gugus data dilakukan untuk melihat pengaruh posisi pencilan terhadap proses analisis. Setelah terdapat data sisaan yang mengandung pencilan dan peubah bebas, maka dapat dibangkitkan data untuk peubah respon (Y). Ditentukan terlebih dahulu hubungan peubah bebas dan
peubah respons yaitu }.
Pada penelitian ini ditetapkan nilai dan . Berdasarkan nilai peubah bebas, koefisien regresi, dan nilai sisaan yang mengandung pencilan, maka akan didapat 36 kelompok data peubah respons yang mengandung pencilan. (2) Melakukan uji
Anderson-Darling untuk melihat kenormalan data. (3) Melakukan analisis data dengan regresi robust penduga MM dan (4) random sample consensus untuk setiap data yang dimiliki. (5) Membandingkan penduga parameter yang dihasilkan oleh metode regresi
robust penduga MM dan ransac untuk melihat metode manakah yang menghasilkan penduga parameter yang lebih baik.
3.
Hasil dan Pembahasan
Setelah dibangkitkan data peubah bebas, data sisaan, dan data peubah respon baik dengan pencilan maupun tanpa pencilan, maka dilakukan pendugaan parameter dengan menggunakan metode kuadrat terkecil. Terdapat dua asumsi yang harus dipenuhi dalam menggunakan metode ini, yakni data yang digunakan menyebar normal dan memiliki ragam yang homogen. Apabila kedua asumsi ini terpenuhi maka penduga yang dihasilkan akan bersifat takbias.
Metode kuadrat terkecil merupakan suatu metode pendugaan parameter dengan meminimumkan jumlah kuadrat galat. Jumlah kuadrat galat dapat dituliskan sebagai berikut:
Untuk meminimumkan jumlah kuadrat galat maka persamaan (1) akan diturunkan secara kalkulus terhadap parameter dan . Kedua persamaan turunan tersebut selanjutnya disamakan dengan nol. Dengan demikian diperoleh nilai-nilai penduga parameter sebagai berikut,
Setelah dilakukan analisis pada masing-masing kelompok data yang mengandung pencilan dengan menggunakan metode kuadrat terkecil, maka dihitung nilai sisaan untuk masing-masing model. Nilai sisaan ini selanjutnya digunakan untuk melakukan pengujian asumsi kenormalan dengan menggunakan uji Anderson-Darling.
(7)
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751
47
Uji Anderson-Darling melibatkan fungsi distribusi kumulatif dari sebaran data. Misalkan data yang akan diuji diasumsikan berdistribusi normal dengan tingkat signifikan α, maka statistik uji yang digunakan adalah
, dengan
dengan
. Adapun hipotesis yang diuji yakni: H0 : data mengikuti sebaran normal H1 : data tidak mengikuti sebaran normal, dengan kaidah keputusannya yakni jika lebih besar dari nilai kritis uji Anderson-Darling maka tolak H0 dan jika lebih kecil dari nilai kritis uji Anderson-Darling maka H0 gagal ditolak. Apabila nilai p-value lebih kecil dari α maka tolak H0, apabila sebaliknya, terima H0.
Berdasarkan hasil uji Anderson-Darling
pada data sisaan untuk masing-masing model yang diduga dengan metode kuadrat terkecil, didapat bahwa semua data yang diberikan pencilan, baik pencilan minor maupun mayor dengan persentase 5%, 10%, 15%, 20%, 25%, dan 30% pada bagian bawah, tengah, dan atas, memiliki p-value yang lebih kecil dari nilai alfa yang ditentukan, yakni . Hal ini berarti bahwa semua data yang mengandung pencilan tidak memenuhi asumsi kenormalan atau dapat dikatakan data tidak menyebar normal. Sehingga akan diterapkan metode regresi robust penduga MM dan metode ransac dalam analisis.
Regresi robust merupakan salah satu metode regresi yang mampu menghasilkan penduga parameter yang robust (kekar) terhadap pencilan. Metode ini bekerja dengan memberikan bobot pada pencilan yang kemudian membatasi pengaruh pencilan tersebut. Penduga MM merupakan salah satu metode estimasi yang diperkenalkan pertama kali oleh Yohai (1987) sebagai metode yang menggabungkan metode penduga M (Maximum
Likelihood) dan penduga S (Scale). Regresi
robust dengan penduga S akan menjamin penduga parameter memiliki nilai breakdown point yang tinggi dan regresi robust dengan penduga M akan menjamin penduga parameter memiliki efisiensi yang tinggi. Hal inilah yang menyebabkan metode regresi robust penduga MM memiliki tingkat efisiensi dan breakdown point yang tinggi.
Pendugaan parameter dengan metode penduga MM dilakukan dengan dua tahap. Pertama, pendugaan parameter regresi awal yang diawali dengan menghitung nilai penduga skala menggunakan metode penduga S. Kedua, menaksir penduga parameter regresi akhir dengan menggunakan metode penduga M. Adapun langkah-langkah pendugaan parameter dengan menggunakan metode penduga MM, yakni, (1) Menghitung nilai awal penduga parameter dengan menggunakan penduga S (high breakdown point), yang mana penduga awal yang dihasilkan tidak harus efisien. Kemudian gunakan penduga ini untuk menghitung residual,
. (2) Dari nilai residual pada langkah pertama, dihitung penduga skala, yang didefinisikan sebagai solusi dari
dengan merupakan konstanta yang memenuhi , berdistribusi normal standar dan merupakan fungsi objektif yang menurut (Rousseeuw dan Leroy, 1987) harus memenuhi, (i) merupakan fungsi simetris dan terdiferensialkan secara kontinu, dan , (ii) jika terdapat , maka akan meningkat pada dan konstan pada , (iii) . Fungsi objektif yang digunakan pada langkah ini adalah fungsi objektif Tukey Bisquare,
(8)
Ni Putu Nia Irfagutami, I.G.A.M. Srinadi, I Wayan Sumarjaya Regresi Robust Penduga MM dan Ransac
48
dengan [3].
(3) Setelah mendapatkan nilai sisaan dan penduga skala , hitung pembobot awal sesuai dengan fungsi pembobot Tukey Bisquare,
dengan dan (Yohai,
1987). Kemudian dihitung nilai penduga MM sebagai:
dengan merupakan matriks diagonal yang elemen diagonalnya adalah nilai dari fungsi pembobot dengan l menyatakan iterasi. (4) Hitung nilai , dengan
. (5) Ulangi langkah kedua hingga empat. Iterasi dihentikan ketika telah mendapatkan nilai yang konvergen.
Setelah didapat penduga parameter dengan menggunakan metode regresi robust
penduga MM, maka dicari selang kepercayaan masing-masing penduganya. Selang kepercayaan digunakan untuk melihat sifat
ketakbiasan penduga yang dihasilkan. Apabila selang kepercayaan mencakup nilai parameter yang sebenarnya, maka penduga parameter yang dihasilkan memiliki sifat takbias. Berdasarkan selang kepercayaan 95% diperoleh bahwa metode regresi robust menghasilkan penduga intercept yang berbias saat terdapat pencilan minor sebesar 10%, 15%, 20%, 25%, dan 30% pada bagian bawah gugus data, pencilan minor sebesar 30% pada bagian tengah gugus data, pencilan minor sebesar 20%, 25%, dan 30% pada bagian atas gugus data, dan saat terdapat pencilan mayor sebesar 30% pada bagian bawah gugus data.
Metode ini juga menghasilkan penduga
slope yang berbias saat terdapat pencilan minor sebesar 10%, 15%, 20%, 25%, dan 30% pada bagian bawah gugus data, pencilan minor sebesar 15%, 20%, 25%, dan 30% pada bagian atas gugus data, dan saat terdapat pencilan mayor sebesar 30% pada bagian bawah gugus data. Untuk jenis data pencilan lainnya, metode regresi robust penduga MM menghasilkan penduga yang takbias. Hal ini lebih jelasnya dapat dilihat pada Tabel 1.
(9)
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751
49
Tabel 1 Selang Kepercayaan 95% dan dengan Metode Regresi Robust Penduga MM
Batas Bawah
Batas Atas
Batas Bawah
Batas Atas
5% 1.6173 2.4861 Tidak Bias 2.9915 3.0066 Tidak Bias
10% 2.1556 3.2633 Bias 2.9800 2.9991 Bias
15% 3.7913 5.3483 Bias 2.9500 2.9766 Bias
20% 4.8335 6.4103 Bias 2.9358 2.9628 Bias
25% 5.5666 6.9994 Bias 2.9289 2.9535 Bias
30% 6.1440 7.5736 Bias 2.9225 2.9471 Bias
5% 1.7224 2.5447 Tidak Bias 2.9912 3.0054 Tidak Bias
10% 0.5606 3.7267 Tidak Bias 2.9846 3.0116 Tidak Bias
15% 1.6920 2.7926 Tidak Bias 2.9885 3.0076 Tidak Bias
20% 1.7275 3.2540 Tidak Bias 2.9854 3.0116 Tidak Bias
25% 1.8773 3.9812 Tidak Bias 2.9795 3.0156 Tidak Bias
30% 2.1315 4.5669 Bias 2.9974 3.0191 Tidak Bias
5% 1.7138 2.5477 Tidak Bias 2.9904 3.0047 Tidak Bias
10% 1.6207 2.5320 Tidak Bias 2.9917 3.0071 Tidak Bias
15% 0.5354 2.0460 Tidak Bias 3.0127 3.0385 Bias
20% -0.1317 1.5643 Bias 3.0329 3.0619 Bias
25% -0.2122 1.3202 Bias 3.0428 3.0690 Bias
30% -0.2361 1.1859 Bias 3.0502 3.0748 Bias
5% 1.6137 2.4642 Tidak Bias 2.9919 3.0066 Tidak Bias
10% 1.6490 2.5417 Tidak Bias 2.9907 3.0062 Tidak Bias
15% 1.6721 2.5997 Tidak Bias 2.9900 3.0059 Tidak Bias
20% 1.6524 2.5843 Tidak Bias 2.9903 3.0061 Tidak Bias
25% 1.7562 2.7917 Tidak Bias 2.9871 3.0050 Tidak Bias
30% 8.7650 11.0408 Bias 2.8752 2.9145 Bias
5% 1.7244 2.5402 Tidak Bias 2.9914 3.0052 Tidak Bias
10% 1.7175 2.5462 Tidak Bias 2.9910 3.0052 Tidak Bias
15% 1.6936 2.5612 Tidak Bias 2.9905 3.0056 Tidak Bias
20% 1.6856 2.5917 Tidak Bias 2.9905 3.0060 Tidak Bias
25% 1.6766 2.6268 Tidak Bias 2.9897 3.0060 Tidak Bias
30% 1.6463 2.8850 Tidak Bias 2.9873 3.0087 Tidak Bias
5% 1.7153 2.5468 Tidak Bias 2.9904 3.0047 Tidak Bias
10% 1.6885 2.5351 Tidak Bias 2.9909 3.0056 Tidak Bias
15% 1.6943 2.5675 Tidak Bias 2.9902 3.0052 Tidak Bias
20% 1.7552 2.6586 Tidak Bias 2.9873 3.0028 Tidak Bias
25% 1.7428 2.6517 Tidak Bias 2.9879 3.0034 Tidak Bias
30% 1.7197 2.6484 Tidak Bias 2.9984 3.0042 Tidak Bias
Minor
Bawah
Tengah
Atas
Mayor
Bawah
Tengah
Atas
Keterangan Pencilan
%
Pencil-an
Keterangan 0
(10)
Ni Putu Nia Irfagutami, I.G.A.M. Srinadi, I Wayan Sumarjaya Regresi Robust Penduga MM dan Ransac
50
Kemudian metode lain yang dapat digunakan untuk mendapat penduga yang kekar terhadap pencilan yakni metode ransac. Ransac diperkenalkan pertama kali oleh Fischler dan Bolles (1981) sebagai suatu metode pembentukan model bagi data eksperimen. Proses pembentukan model terbaik dengan menggunakan metode ini sangatlah berbeda dengan metode regresi
robust. Apabila regresi robust menggunakan seluruh data dalam pendugaan parameter, maka random sample consensus menggunakan seminimum mungkin data untuk membentuk model yang mampu menjelaskan keseluruhan data ( Fischler dan Bolles, 1981).
Adapun proses pembentukan model dengan menggunakan metode ransac (3), yakni (1) dipilih 2 data secara acak dari sekumpulan 100 data. Selanjutnya kumpulan 2 data ini disebut sebagai himpunan . (2) Bentuk model dengan menggunakan 2 data tersebut, sebut . Pembentukan model dapat dilakukan dengan metode kuadrat terkecil (least square). (3) Berdasarkan model , bentuk himpunan baru dari keseluruhan data yang mana anggota himpunannya merupakan data yang memiliki sisaan dalam toleransi error (t). Himpunan ini selanjutnya disebut sebagai consensus set . (4) Jika lebih besar dari batasan (threshold), T, maka gunakan untuk membentuk model baru, yakni . (5) Jika lebih kecil dari batasan (threshold), T, maka pilih secara acak himpunan baru dan ulangi langkah (2).
Setelah didapatkan penduga parameter dengan menggunakan metode ransac, maka dicari selang kepercayaan masing-masing penduganya. Berdasarkan selang kepercayaan 95% diketahui bahwa metode ransac menghasilkan penduga parameter yang berbias saat terdapat pencilan minor pada bagian bawah gugus data sebesar 25% dan
30%, dan pada bagian tengah gugus data sebesar 25% dan 30%. Ransac juga menghasilkan penduga parameter yang berbias saat terdapat pencilan minor pada bagian bawah gugus data sebesar 25% dan 30% dan juga saat terdapat pencilan minor sebesar 25% dan 30% pada bagian atas gugus data. Untuk jenis data lainnya, ransac menghasilkan penduga parameter yang bersifat takbias. Hal ini lebih jelasnya dapat dilihat pada Tabel 2.
(11)
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751
51
Tabel 2 Selang Kepercayaan 95% dan dengan Metode Ransac
Batas Bawah
Batas Atas
Batas Bawah
Batas Atas
5% 1.5705 2.4361 Tidak Bias 2.9926 3.0070 Tidak Bias 10% 1.5318 2.5237 Tidak Bias 2.9914 3.0075 Tidak Bias 15% 1.4675 2.6009 Tidak Bias 2.9904 3.0083 Tidak Bias 20% 1.5143 2.7695 Tidak Bias 2.9882 3.0076 Tidak Bias
25% 6.3417 7.3958 Bias 2.9271 2.9446 Bias
30% 7.1327 8.0673 Bias 2.9200 2.9359 Bias
5% 1.7240 2.4811 Tidak Bias 2.9923 3.0052 Tidak Bias 10% 1.7135 2.4708 Tidak Bias 2.9922 3.0050 Tidak Bias 15% 1.6880 2.4685 Tidak Bias 2.9922 3.0056 Tidak Bias 20% 1.6812 2.4827 Tidak Bias 2.9923 3.0056 Tidak Bias 25% 1.7051 2.5243 Tidak Bias 2.9908 3.0044 Tidak Bias 30% 1.8892 2.7211 Tidak Bias 2.9893 3.0030 Tidak Bias 5% 1.7112 2.4953 Tidak Bias 2.9909 3.0050 Tidak Bias 10% 1.6711 2.4758 Tidak Bias 2.9912 3.0065 Tidak Bias 15% 1.7948 2.6465 Tidak Bias 2.9878 3.0050 Tidak Bias 20% 1.7147 2.5840 Tidak Bias 2.9869 3.0054 Tidak Bias
25% 0.3074 1.2391 Bias 3.0539 3.0700 Bias
30% 0.1732 1.0939 Bias 3.0596 3.0752 Bias
5% 1.5705 2.4361 Tidak Bias 2.9926 3.0070 Tidak Bias 10% 1.5318 2.5237 Tidak Bias 2.9914 3.0075 Tidak Bias 15% 1.4667 2.6009 Tidak Bias 2.9904 3.0083 Tidak Bias 20% 1.5143 2.7695 Tidak Bias 2.9882 3.0076 Tidak Bias 25% 1.5215 2.9693 Tidak Bias 2.9856 3.0074 Tidak Bias 30% 1.0735 2.7088 Tidak Bias 2.9892 3.0131 Tidak Bias 5% 1.7240 2.4811 Tidak Bias 2.9923 3.0052 Tidak Bias 10% 1.7135 2.4708 Tidak Bias 2.9922 3.0050 Tidak Bias 15% 1.6880 2.4685 Tidak Bias 2.9922 3.0052 Tidak Bias 20% 1.6812 2.4827 Tidak Bias 2.9923 3.0056 Tidak Bias 25% 1.7051 2.5243 Tidak Bias 2.9908 3.0044 Tidak Bias 30% 1.7544 2.5698 Tidak Bias 2.9911 3.0045 Tidak Bias 5% 1.7112 2.4953 Tidak Bias 2.9909 3.0050 Tidak Bias 10% 1.6711 2.4758 Tidak Bias 2.9912 3.0065 Tidak Bias 15% 1.6672 2.5029 Tidak Bias 2.9900 3.0068 Tidak Bias 20% 1.8465 2.7319 Tidak Bias 2.9845 3.0034 Tidak Bias 25% 1.6924 2.5707 Tidak Bias 2.9869 3.0069 Tidak Bias 30% 1.6605 2.5605 Tidak Bias 2.9867 3.0086 Tidak Bias Keterangan Pencilan
%
Pencil-an
Keterangan
Minor
Bawah
Tengah
Atas
Mayor
Bawah
Tengah
Atas
0
(12)
Ni Putu Nia Irfagutami, I.G.A.M. Srinadi, I Wayan Sumarjaya Regresi Robust Penduga MM dan Ransac
52
4.
Kesimpulan
Adanya pencilan pada bagian ujung gugus data memengaruhi proses pendugaan parameter. Hal ini dilihat dari penduga yang dihasilkan oleh metode regresi robust penduga MM bersifat bias saat terdapat pencilan minor sebesar 10% hingga 30% pada bagian bawah gugus data, pencilan minor sebesar 15% hingga 30% pada bagian atas gugus data, dan pada saat terdapat pencilan mayor sebesar 30% pada bagian bawah gugus data. Sedangkan, metode ransac menghasilkan penduga yang berbias saat terdapat pencilan minor sebesar 25% hingga 30% baik pada bagian bawah gugus data maupun bagian atas gugus data
Dapat dilihat pula metode ransac menghasilkan lebih sedikit model yang mengandung penduga parameter berbias dibandingkan dengan metode regresi robust
penduga MM. Dari 36 model yang dihasilkan oleh kedua metode, ransac hanya menghasilkan empat model yang mengandung penduga parameter berbias. Sedangkan dengan metode regresi robust penduga MM, terdapat 11 model yang mengandung penduga parameter berbias.
Daftar Pustaka
Martin A. Fischler and Robert C. Bolles, "Random Sample Consensus: A Paradigm for Model Fitting with Application to Image Analysis and Automated Cartography," Graphics and Image Processing, vol. 24, no. 6, pp. 381-395, June 1981.
Peter J. Rousseeuw and Annick M. Leroy,
Robust Regression and Outlier Detection. Canada: John Wiley & Sons, Inc., 1987. Victor J. Yohai, "High Breakdown-Point and
High Effiency Robust Estimats for Regression," The Annals of Statistics, vol. 15, no. 2, pp. 642-656, Jun 1987.
(1)
Uji Anderson-Darling melibatkan fungsi distribusi kumulatif dari sebaran data. Misalkan data yang akan diuji diasumsikan berdistribusi normal dengan tingkat signifikan α, maka statistik uji yang digunakan adalah
, dengan
dengan
. Adapun hipotesis yang diuji yakni: H0 : data mengikuti sebaran normal
H1 : data tidak mengikuti sebaran normal,
dengan kaidah keputusannya yakni jika lebih besar dari nilai kritis uji Anderson-Darling maka tolak H0 dan jika lebih kecil
dari nilai kritis uji Anderson-Darling maka H0
gagal ditolak. Apabila nilai p-value lebih kecil dari α maka tolak H0, apabila sebaliknya,
terima H0.
Berdasarkan hasil uji Anderson-Darling pada data sisaan untuk masing-masing model yang diduga dengan metode kuadrat terkecil, didapat bahwa semua data yang diberikan pencilan, baik pencilan minor maupun mayor dengan persentase 5%, 10%, 15%, 20%, 25%, dan 30% pada bagian bawah, tengah, dan atas, memiliki p-value yang lebih kecil dari nilai alfa yang ditentukan, yakni . Hal ini berarti bahwa semua data yang mengandung pencilan tidak memenuhi asumsi kenormalan atau dapat dikatakan data tidak menyebar normal. Sehingga akan diterapkan metode regresi robust penduga MM dan metode ransac dalam analisis.
Regresi robust merupakan salah satu metode regresi yang mampu menghasilkan penduga parameter yang robust (kekar) terhadap pencilan. Metode ini bekerja dengan memberikan bobot pada pencilan yang kemudian membatasi pengaruh pencilan tersebut. Penduga MM merupakan salah satu
Likelihood) dan penduga S (Scale). Regresi robust dengan penduga S akan menjamin penduga parameter memiliki nilai breakdown point yang tinggi dan regresi robust dengan penduga M akan menjamin penduga parameter memiliki efisiensi yang tinggi. Hal inilah yang menyebabkan metode regresi robust penduga MM memiliki tingkat efisiensi dan breakdown point yang tinggi.
Pendugaan parameter dengan metode penduga MM dilakukan dengan dua tahap. Pertama, pendugaan parameter regresi awal yang diawali dengan menghitung nilai penduga skala menggunakan metode penduga S. Kedua, menaksir penduga parameter regresi akhir dengan menggunakan metode penduga M. Adapun langkah-langkah pendugaan parameter dengan menggunakan metode penduga MM, yakni, (1) Menghitung nilai awal penduga parameter dengan menggunakan penduga S (high breakdown point), yang mana penduga awal yang dihasilkan tidak harus efisien. Kemudian gunakan penduga ini untuk menghitung residual,
. (2) Dari nilai residual pada langkah pertama, dihitung penduga skala, yang didefinisikan sebagai solusi dari
dengan merupakan konstanta yang memenuhi , berdistribusi normal standar dan merupakan fungsi objektif yang menurut (Rousseeuw dan Leroy, 1987) harus memenuhi, (i) merupakan fungsi simetris dan terdiferensialkan secara kontinu, dan , (ii) jika terdapat , maka akan meningkat pada dan konstan pada , (iii) . Fungsi objektif yang
digunakan pada langkah ini adalah fungsi objektif Tukey Bisquare,
(2)
dengan [3].
(3) Setelah mendapatkan nilai sisaan dan penduga skala , hitung pembobot awal sesuai dengan fungsi pembobot Tukey Bisquare,
dengan dan (Yohai,
1987). Kemudian dihitung nilai penduga MM sebagai:
dengan merupakan matriks diagonal yang elemen diagonalnya adalah nilai dari fungsi pembobot dengan l menyatakan iterasi. (4) Hitung nilai , dengan
. (5) Ulangi langkah kedua hingga empat. Iterasi dihentikan ketika telah mendapatkan nilai yang konvergen.
Setelah didapat penduga parameter dengan menggunakan metode regresi robust penduga MM, maka dicari selang kepercayaan masing-masing penduganya. Selang kepercayaan digunakan untuk melihat sifat
ketakbiasan penduga yang dihasilkan. Apabila selang kepercayaan mencakup nilai parameter yang sebenarnya, maka penduga parameter yang dihasilkan memiliki sifat takbias. Berdasarkan selang kepercayaan 95% diperoleh bahwa metode regresi robust menghasilkan penduga intercept yang berbias saat terdapat pencilan minor sebesar 10%, 15%, 20%, 25%, dan 30% pada bagian bawah gugus data, pencilan minor sebesar 30% pada bagian tengah gugus data, pencilan minor sebesar 20%, 25%, dan 30% pada bagian atas gugus data, dan saat terdapat pencilan mayor sebesar 30% pada bagian bawah gugus data.
Metode ini juga menghasilkan penduga slope yang berbias saat terdapat pencilan minor sebesar 10%, 15%, 20%, 25%, dan 30% pada bagian bawah gugus data, pencilan minor sebesar 15%, 20%, 25%, dan 30% pada bagian atas gugus data, dan saat terdapat pencilan mayor sebesar 30% pada bagian bawah gugus data. Untuk jenis data pencilan lainnya, metode regresi robust penduga MM menghasilkan penduga yang takbias. Hal ini lebih jelasnya dapat dilihat pada Tabel 1.
(3)
Tabel 1 Selang Kepercayaan 95% dan dengan Metode Regresi Robust Penduga MM
Batas Bawah
Batas Atas
Batas Bawah
Batas Atas
5% 1.6173 2.4861 Tidak Bias 2.9915 3.0066 Tidak Bias
10% 2.1556 3.2633 Bias 2.9800 2.9991 Bias
15% 3.7913 5.3483 Bias 2.9500 2.9766 Bias
20% 4.8335 6.4103 Bias 2.9358 2.9628 Bias
25% 5.5666 6.9994 Bias 2.9289 2.9535 Bias
30% 6.1440 7.5736 Bias 2.9225 2.9471 Bias
5% 1.7224 2.5447 Tidak Bias 2.9912 3.0054 Tidak Bias
10% 0.5606 3.7267 Tidak Bias 2.9846 3.0116 Tidak Bias
15% 1.6920 2.7926 Tidak Bias 2.9885 3.0076 Tidak Bias
20% 1.7275 3.2540 Tidak Bias 2.9854 3.0116 Tidak Bias
25% 1.8773 3.9812 Tidak Bias 2.9795 3.0156 Tidak Bias
30% 2.1315 4.5669 Bias 2.9974 3.0191 Tidak Bias
5% 1.7138 2.5477 Tidak Bias 2.9904 3.0047 Tidak Bias
10% 1.6207 2.5320 Tidak Bias 2.9917 3.0071 Tidak Bias
15% 0.5354 2.0460 Tidak Bias 3.0127 3.0385 Bias
20% -0.1317 1.5643 Bias 3.0329 3.0619 Bias
25% -0.2122 1.3202 Bias 3.0428 3.0690 Bias
30% -0.2361 1.1859 Bias 3.0502 3.0748 Bias
5% 1.6137 2.4642 Tidak Bias 2.9919 3.0066 Tidak Bias
10% 1.6490 2.5417 Tidak Bias 2.9907 3.0062 Tidak Bias
15% 1.6721 2.5997 Tidak Bias 2.9900 3.0059 Tidak Bias
20% 1.6524 2.5843 Tidak Bias 2.9903 3.0061 Tidak Bias
25% 1.7562 2.7917 Tidak Bias 2.9871 3.0050 Tidak Bias
30% 8.7650 11.0408 Bias 2.8752 2.9145 Bias
5% 1.7244 2.5402 Tidak Bias 2.9914 3.0052 Tidak Bias
10% 1.7175 2.5462 Tidak Bias 2.9910 3.0052 Tidak Bias
15% 1.6936 2.5612 Tidak Bias 2.9905 3.0056 Tidak Bias
20% 1.6856 2.5917 Tidak Bias 2.9905 3.0060 Tidak Bias
25% 1.6766 2.6268 Tidak Bias 2.9897 3.0060 Tidak Bias
30% 1.6463 2.8850 Tidak Bias 2.9873 3.0087 Tidak Bias
5% 1.7153 2.5468 Tidak Bias 2.9904 3.0047 Tidak Bias
10% 1.6885 2.5351 Tidak Bias 2.9909 3.0056 Tidak Bias
15% 1.6943 2.5675 Tidak Bias 2.9902 3.0052 Tidak Bias
20% 1.7552 2.6586 Tidak Bias 2.9873 3.0028 Tidak Bias
25% 1.7428 2.6517 Tidak Bias 2.9879 3.0034 Tidak Bias
30% 1.7197 2.6484 Tidak Bias 2.9984 3.0042 Tidak Bias
Minor
Bawah
Tengah
Atas
Mayor
Bawah
Tengah
Atas
Keterangan Pencilan
%
Pencil-an
Keterangan
0
(4)
Kemudian metode lain yang dapat digunakan untuk mendapat penduga yang kekar terhadap pencilan yakni metode ransac. Ransac diperkenalkan pertama kali oleh Fischler dan Bolles (1981) sebagai suatu metode pembentukan model bagi data eksperimen. Proses pembentukan model terbaik dengan menggunakan metode ini sangatlah berbeda dengan metode regresi robust. Apabila regresi robust menggunakan seluruh data dalam pendugaan parameter, maka random sample consensus menggunakan seminimum mungkin data untuk membentuk model yang mampu menjelaskan keseluruhan data ( Fischler dan Bolles, 1981).
Adapun proses pembentukan model dengan menggunakan metode ransac (3), yakni (1) dipilih 2 data secara acak dari sekumpulan 100 data. Selanjutnya kumpulan 2 data ini disebut sebagai himpunan . (2) Bentuk model dengan menggunakan 2 data tersebut, sebut . Pembentukan model dapat dilakukan dengan metode kuadrat terkecil (least square). (3) Berdasarkan model , bentuk himpunan baru dari keseluruhan data yang mana anggota himpunannya merupakan data yang memiliki sisaan dalam toleransi error (t). Himpunan ini selanjutnya disebut sebagai consensus set . (4) Jika lebih besar dari batasan (threshold), T, maka gunakan untuk membentuk model baru, yakni . (5) Jika lebih kecil dari batasan (threshold), T, maka pilih secara acak himpunan baru dan ulangi langkah (2).
Setelah didapatkan penduga parameter dengan menggunakan metode ransac, maka dicari selang kepercayaan masing-masing penduganya. Berdasarkan selang kepercayaan 95% diketahui bahwa metode ransac menghasilkan penduga parameter yang berbias saat terdapat pencilan minor pada
30%, dan pada bagian tengah gugus data sebesar 25% dan 30%. Ransac juga menghasilkan penduga parameter yang berbias saat terdapat pencilan minor pada bagian bawah gugus data sebesar 25% dan 30% dan juga saat terdapat pencilan minor sebesar 25% dan 30% pada bagian atas gugus data. Untuk jenis data lainnya, ransac menghasilkan penduga parameter yang bersifat takbias. Hal ini lebih jelasnya dapat dilihat pada Tabel 2.
(5)
Tabel 2 Selang Kepercayaan 95% dan dengan Metode Ransac
Batas Bawah
Batas Atas
Batas Bawah
Batas Atas
5% 1.5705 2.4361 Tidak Bias 2.9926 3.0070 Tidak Bias 10% 1.5318 2.5237 Tidak Bias 2.9914 3.0075 Tidak Bias 15% 1.4675 2.6009 Tidak Bias 2.9904 3.0083 Tidak Bias 20% 1.5143 2.7695 Tidak Bias 2.9882 3.0076 Tidak Bias
25% 6.3417 7.3958 Bias 2.9271 2.9446 Bias
30% 7.1327 8.0673 Bias 2.9200 2.9359 Bias
5% 1.7240 2.4811 Tidak Bias 2.9923 3.0052 Tidak Bias 10% 1.7135 2.4708 Tidak Bias 2.9922 3.0050 Tidak Bias 15% 1.6880 2.4685 Tidak Bias 2.9922 3.0056 Tidak Bias 20% 1.6812 2.4827 Tidak Bias 2.9923 3.0056 Tidak Bias 25% 1.7051 2.5243 Tidak Bias 2.9908 3.0044 Tidak Bias 30% 1.8892 2.7211 Tidak Bias 2.9893 3.0030 Tidak Bias 5% 1.7112 2.4953 Tidak Bias 2.9909 3.0050 Tidak Bias 10% 1.6711 2.4758 Tidak Bias 2.9912 3.0065 Tidak Bias 15% 1.7948 2.6465 Tidak Bias 2.9878 3.0050 Tidak Bias 20% 1.7147 2.5840 Tidak Bias 2.9869 3.0054 Tidak Bias
25% 0.3074 1.2391 Bias 3.0539 3.0700 Bias
30% 0.1732 1.0939 Bias 3.0596 3.0752 Bias
5% 1.5705 2.4361 Tidak Bias 2.9926 3.0070 Tidak Bias 10% 1.5318 2.5237 Tidak Bias 2.9914 3.0075 Tidak Bias 15% 1.4667 2.6009 Tidak Bias 2.9904 3.0083 Tidak Bias 20% 1.5143 2.7695 Tidak Bias 2.9882 3.0076 Tidak Bias 25% 1.5215 2.9693 Tidak Bias 2.9856 3.0074 Tidak Bias 30% 1.0735 2.7088 Tidak Bias 2.9892 3.0131 Tidak Bias 5% 1.7240 2.4811 Tidak Bias 2.9923 3.0052 Tidak Bias 10% 1.7135 2.4708 Tidak Bias 2.9922 3.0050 Tidak Bias 15% 1.6880 2.4685 Tidak Bias 2.9922 3.0052 Tidak Bias 20% 1.6812 2.4827 Tidak Bias 2.9923 3.0056 Tidak Bias 25% 1.7051 2.5243 Tidak Bias 2.9908 3.0044 Tidak Bias 30% 1.7544 2.5698 Tidak Bias 2.9911 3.0045 Tidak Bias 5% 1.7112 2.4953 Tidak Bias 2.9909 3.0050 Tidak Bias 10% 1.6711 2.4758 Tidak Bias 2.9912 3.0065 Tidak Bias 15% 1.6672 2.5029 Tidak Bias 2.9900 3.0068 Tidak Bias 20% 1.8465 2.7319 Tidak Bias 2.9845 3.0034 Tidak Bias 25% 1.6924 2.5707 Tidak Bias 2.9869 3.0069 Tidak Bias 30% 1.6605 2.5605 Tidak Bias 2.9867 3.0086 Tidak Bias Keterangan Pencilan
%
Pencil-an
Keterangan
Minor
Bawah
Tengah
Atas
Mayor
Bawah
Tengah
Atas
0
(6)
4.
Kesimpulan
Adanya pencilan pada bagian ujung gugus data memengaruhi proses pendugaan parameter. Hal ini dilihat dari penduga yang dihasilkan oleh metode regresi robust penduga MM bersifat bias saat terdapat pencilan minor sebesar 10% hingga 30% pada bagian bawah gugus data, pencilan minor sebesar 15% hingga 30% pada bagian atas gugus data, dan pada saat terdapat pencilan mayor sebesar 30% pada bagian bawah gugus data. Sedangkan, metode ransac menghasilkan penduga yang berbias saat terdapat pencilan minor sebesar 25% hingga 30% baik pada bagian bawah gugus data maupun bagian atas gugus data
Dapat dilihat pula metode ransac menghasilkan lebih sedikit model yang mengandung penduga parameter berbias dibandingkan dengan metode regresi robust penduga MM. Dari 36 model yang dihasilkan oleh kedua metode, ransac hanya menghasilkan empat model yang mengandung penduga parameter berbias. Sedangkan dengan metode regresi robust penduga MM, terdapat 11 model yang mengandung penduga parameter berbias.
Daftar Pustaka
Martin A. Fischler and Robert C. Bolles, "Random Sample Consensus: A Paradigm for Model Fitting with Application to Image Analysis and Automated Cartography," Graphics and Image Processing, vol. 24, no. 6, pp. 381-395, June 1981.
Peter J. Rousseeuw and Annick M. Leroy, Robust Regression and Outlier Detection. Canada: John Wiley & Sons, Inc., 1987.